Nhóm OpenMOSS vừa công bố và mở mã nguồn mô hình tạo ảnh MOSS-Image với quy mô 5B tham số. Trọng số của hai phiên bản Base và SFT đều được đăng trên Hugging Face theo giấy phép Apache-2.0; kho GitHub đi kèm hướng dẫn tiếng Trung và quy trình ComfyUI, đồng thời báo cáo kỹ thuật cũng đã được công bố. Trên blog chính thức, nhóm định vị mô hình như sau:
“Một hệ thống tạo ảnh trọng số mở 5B: đưa văn bản dài, bố cục có cấu trúc và khả năng tinh chỉnh – triển khai vào cùng một luồng sinh ảnh.“
Văn bản dài và bố cục có thể chỉnh sửa
Các mô hình tạo ảnh từ văn bản từ lâu vẫn hay sai khi vẽ những đoạn chữ dài, và đây chính là điểm MOSS-Image nhắm tới. Mô hình hỗ trợ prompt dài tới khoảng 4K token, giữ được xuống dòng và cấu trúc đoạn cho cả văn bản tiếng Trung lẫn tiếng Anh.
Một khả năng khác là bố cục có cấu trúc: người dùng mô tả khung vẽ, khối chữ, vật thể và khung bao (bounding box) bằng JSON, chỉ định trực tiếp vị trí, kích thước và quan hệ giữa các phần tử. Nhà thiết kế có thể sửa cấu trúc nhiều lần trước khi tạo ảnh, chốt xong bố cục rồi mới sinh ảnh, thay vì phải thử vận may qua prompt.
Về kỹ thuật, đây là Diffusion Transformer đơn luồng được tiền huấn luyện từ đầu, dùng bộ tối ưu kết hợp Muon và AdamW. Bộ mã hóa văn bản là Qwen3.5-9B, phần giải mã ảnh mượn VAE của FLUX.2. Dữ liệu huấn luyện gồm khoảng 3 tỷ ảnh, kèm mô tả đa mức độ, giám sát chữ và nhãn khung bao; độ phân giải được nâng dần lên 1024×1024, ngữ cảnh văn bản lên 4096 token.
Các con số đánh giá
Bài kiểm tra văn bản dài LLTB do chính nhóm xây dựng gồm 120 đề tiếng Trung và 120 đề tiếng Anh, với văn bản mục tiêu trung bình khoảng 1340 ký tự. MOSS-Image đạt trung bình 96,3 trên sáu hạng mục; nhóm cho biết đây là mức cao nhất trong các mô hình trọng số mở, còn Qwen Image 2512 trong cùng bảng đạt 64,9. Ở tác vụ tiếng Anh dài nhất, mô hình được 97,1 điểm, ở tác vụ tiếng Trung dài nhất là 92,4.
Ở bài kiểm tra bố cục 7Bench, khoảng cách còn lớn hơn:
| Mô hình | mIoU | Layout AUC |
|---|---|---|
| MOSS-Image | 0,8786 | 0,7031 |
| Ideogram 4 | 0,4449 | 0,2046 |
| Nano Banana Pro | 0,3296 | 0,1628 |
| GPT Image 2 | 0,3042 | 0,1554 |
Tuy nhiên, trong RealLayoutArena – bảng đánh giá sở thích con người đầu cuối – GPT Image 2 đứng đầu với khoảng 1844 điểm, MOSS-Image hạng hai với khoảng 1699 điểm, Seedream 5 Pro hạng ba. Nhóm cũng lưu ý rằng ba bộ kiểm tra dùng giao thức khác nhau, điểm số không thể quy đổi cho nhau và không tạo thành một bảng xếp hạng thống nhất. Các số liệu trên hiện chỉ là con số do nhóm công bố, chưa thấy bên thứ ba tái hiện.
Các nhóm trong nước có thể dùng vào việc gì
Với các nhóm làm công cụ thiết kế tiếng Trung, một số điều kiện khá thuận lợi. Apache-2.0 cho phép dùng thương mại; quy mô 5B nhẹ hơn nhiều so với những mô hình ảnh hàng chục tỷ tham số, và theo ước tính kinh nghiệm, một card đồ họa tiêu dùng bộ nhớ lớn là đủ để chạy suy luận và tinh chỉnh LoRA – yêu cầu VRAM cụ thể cần xem theo hướng dẫn chính thức. Mô hình hỗ trợ Diffusers, Gradio, ComfyUI cùng tinh chỉnh LoRA và toàn phần; ai không muốn tự triển khai có thể dùng API lưu trữ sẵn của MOSI.
Về kịch bản sử dụng, văn bản tiếng Trung dài chính là nhu cầu thường ngày của poster thương mại điện tử, ảnh dài, bài giảng và ảnh bìa bài viết trên các tài khoản công khai WeChat; trước đây các mô hình mã nguồn mở nhìn chung yếu ở mảng này, ảnh tạo ra thường phải gõ lại chữ thủ công. Việc khóa bố cục bằng JSON cũng giúp dễ nối mô hình vào hệ thống mẫu có sẵn.
Các giới hạn cũng được nêu rõ. Phiên bản hiện tại chỉ làm tạo ảnh từ văn bản, không nhận ảnh tham chiếu và không có chỉnh sửa ảnh gốc; mô-đun tăng cường prompt phụ thuộc một mô hình ngôn ngữ bên ngoài, nên chất lượng lập kế hoạch ảnh hưởng trực tiếp đến kết quả. Quy trình cần sửa ảnh hoặc thay nền vẫn phải kết hợp với mô hình khác.
Nguồn tham khảo: blog chính thức của OpenMOSS, CocoLoop, báo cáo kỹ thuật MOSS-Image, trang mô hình trên Hugging Face; báo cáo kỹ thuật được dùng để đối chiếu quy mô tham số, giấy phép và điểm LLTB, 7Bench.